五千年(敝帚自珍)

主题:从PDF文件中提取文字的问题。 -- johny

共:💬31 🌺5
全看树展主题 · 分页首页 上页
/ 3
下页 末页
家园 从PDF文件中提取文字的问题。

我有本超星的书打成了PDF格式,大家都知道,这种PDF文件里的每一页本质上都是图像。

有没有办法用什么软件把上面的文字“拽”下来贴到帖子里面?

否则我就得一个字一个字敲了,前景恐怖,

家园 应该可以直接选中然后COPY的啊。

实在不行,用OCR软件来图像文字识别。

拷屏,或者打印以后扫描,再OCR。

家园 OCR软件可以对PDF文件进行文字识别吗?

如果这个PDF文件中全是图形的话?

家园 我很早以前用过清华OCR来识别过扫描的文件。

印象中对扫描的分辨率有要求,当时好像是必需150DPI的分辨率以上。

你可以试着扫描,然后OCR。不过我觉得按照OCR 原理,你把PDF文件想法转成图像文件(比如拷屏)应该可以用来OCR。

家园 总觉得太麻烦。

谢谢铁兄的帮助。

还是希望有个懒点的办法。

家园 怕你没看过这个贴

http://www.cchere.com/article/339043

不过我总觉得如果PDF里面是图形文字的话,估计没有什么别的办法可用。

家园 被您说对了。

PDF里面是图形文字

家园 那就OCR呗....现在比较流行的是汉王识别系统

哪怕原文稍微有些倾斜,都可以对付得来的。

去年用扫描仪+汉王作了一本书....《杜鹃蛋》,嘿嘿

家园 杜鹃蛋是本关于什么的书?
家园 九十年代初期出版的纪实文学――抓黑客的人

这大概是世界上最早的讲述黑客的文学作品了吧

更何况还是真实的案例,第一人称的记述,精彩绝伦......

俺当年的最好教材,嘿嘿嘿黑。

如果有人要,回头把做好的PDF放出来.

家园 放出来吧,大家都眼巴巴地等着呢
家园 过四个小时等我下班就放出来好了.....

估计会比较耗时间,这书看着上瘾的,嘿嘿。

家园 你你你......可真有空啊
家园 我有简单一法,可以帮兄达到目的,分三步走。

如果你装有Office system 2003的话(应该不会没有吧),可以这样做:(我不知道其它版本的行不行,我用的是2003)

一、把你的文档打印到Microsoft Office Document Image Writer上,这是个Office虚拟出来的打印机。打印出来应当是个.mdi的文档。

点看全图

二、用Microsoft Document Imaging打开之。在tools-options中选OCR Tab,把OCR Language改成你需要的。然后在tools中选Recognize text using OCR。软件这时候就开始自动扫描图片中的文字,并把图片最后转换成文字。

点看全图点看全图

三、最后一步,tools->Send text to Word。大功告成!

附原来图形PDF和生成的Word纯文本

[SIZE=3]原文档[/SIZE]

点看全图

[SIZE=3]转换后的纯文本[/SIZE]

点看全图

图中的文字看不清楚不是因为转换的不好。是由于为了上传,把文件大小限制在100K以内,所以图片质量只好妥协了。

最后Word生成的版面已经失去了原先的样式了,当然文字都已经“抠”下来了。版式已经失去了,需要您去重排。但如果只是想纯粹的copy+paste的话,就不必麻烦去排版了。

如果兄台试验成功的话,以后可以多多为西西贡献好文哦

元宝推荐:Highway,
家园 给你啦....

http://www.cchere.com/article/343868

全看树展主题 · 分页首页 上页
/ 3
下页 末页


有趣有益,互惠互利;开阔视野,博采众长。
虚拟的网络,真实的人。天南地北客,相逢皆朋友

Copyright © cchere 西西河